هل تستطيع نماذج تعلم الآلة العامة فهم المنطق المرتبط بالمعرفة؟

في عالم الذكاء الاصطناعي وتعلم الآلة، تعتبر نماذج تعلم اللغة الكبيرة (Large Language Models) أداة قوية تُستخدم في مجموعة متنوعة من المهام اللغوية. ولكن، هل تساءلت يومًا عن قدرتها على فهم الهياكل المعرفية العميقة مثل المنطق والأنطولوجيا؟

في دراسة حديثة نشرت على موقع arXiv، تم تقديم إطار عمل جديد يسمى AVA، والذي يهدف إلى تقييم ما إذا كانت نماذج التعلم العميق يمكنها التفريق بين المعاني الرمزية الحساسة من الناحية المنطقية في الأنطولوجيات (Ontologies) وخرائط المعرفة (Knowledge Graphs).

تتضمن دراسة AVA 171,007 مجموعة ثلاثية متباينة تم استخراجها من 163 أنطولوجيا متنوعة، باستخدام تقنيات مثل قلب التسلسل الهرمي واستبدال العلاقات وإدخال التشعبات. كل مجموعة تحتوي على بيان أنطولوجي، وإعادة صياغة تعبيرية تساويها، ونفي منطقي صعب يحمل معنى متعارض.

عند تقييم أكثر من 25 نموذجًا رائدًا في مجال التعلم العميق، تم الكشف عن قيود كبيرة: أفضل نموذج حقق دقة ثلاثية بمعدل 0.739، لكن دقة السلبية الصعبة انخفضت إلى 0.135. على الرغم من تحسين الأداء من خلال التعديل الدقيق، إلا أن النتائج لم تكن جيدة عند تطبيقها على مهام الويب الدلالي (Semantic Web) مثل اكتشاف التصنيفات وتوافق الأنطولوجيات.

تشير النتائج إلى أن التحسينات ناتجة جزئيًا عن التعرف على الأنماط الخاصة بالتشويش بدلاً من الفهم الجوهري للمعرفة. هذه الاكتشافات تبرز الفجوة المستمرة بين تعلم التمثيلات اللغوية والتمييز على مستوى الأنطولوجيا، مما يتحدى الافتراض بأن الأداء القوي في اختبارات NLP يترجم إلى كفاءة في الويب الدلالي.

هل تعتقد أن نماذج التعلم العميق تستطيع تجاوز هذه الفجوة؟ شاركونا آراءكم في التعليقات!